整合转录组学,单细胞组学和基于深度学习的遗传病理特征来识别OLFML3在膀癌中
Fazhong Dai1, Yifeng He1,2, Xiongsheng Huang1
1Department of Urology, The Affiliated Guangdong Second Provincial General Hospital of Jinan University, Guangzhou, China.
Translational andrology and urology
|November 13, 2025
概括
这项研究确定了OLFML3作为一个关键基因,与膀癌 (BCa) 一年内复发有关. 一个深度学习模型从病理图像中预测OLFML3表达,有助于BCa预后.
科学领域:
- 在瘤学瘤学.
- 基因组学就是基因组学.
- 生物信息学是一种生物信息学.
背景情况:
- 膀癌 (BCa) 的复发率很高 (约. 61%在手术后的一年内).
- 目前的监测方法 (囊镜,尿细胞学) 的灵敏度较低,会引起患者的不适.
- 需要提高预测BCa复发的准确性.
研究的目的:
- 使用多omics数据调查OLFML3在BCa复发中的作用.
- 为了提高BCa复发预测的准确性.
- 改进BCa.的临床管理策略.
主要方法:
- 分析了RNA测序 (RNA-seq) 和TCGA的临床数据.
- 权重基因共同表达网络分析 (WGCNA) 确定了复发相关的基因模块.
- 单变性和LASSO考克斯回归选择了八个预后基因.
- 单细胞RNA测序 (scRNA-seq) 评估了BCa亚型中的基因表达.
- 一个基于ResNet50的深度学习模型从H&E图像中预测了OLFML3表达.
主要成果:
- WGCNA发现了一个红色模块与BCa复发有正相关.
- 选择了8个预后基因,高OLFML3表达与较低的存活率有关.
- scRNA-seq在BCa亚型中显示了差异性的OLFML3表达.
- 高OLFML3表达与BCa侵入性,等级和阶段相关.
- 一个随机森林模型从病理特征准确地预测了OLFML3表达水平.
结论:
- 多omics分析确定OLFML3是1年BCa复发的一个关键因素.
- 一个深度学习模型可以从病态图像中预测OLFML3表达.
- 需要进一步的研究,以充分阐明OLFML3在BCa复发中的作用.
